Nutch 评分机制分析

Nutch构建于Lucene之上，可以通过学习Lucene的评分机制来了解Nutch评分。

Lucene的打分公式可以在Lucene的Similarity类中看到。详见文档Lucene Similarity Javadoc .
大体上:
查询结果集中一个特定文档的得分score(q,d)，是查询中每一个词项的得分之和(t in q)；
一个词项对于一个文档的得分，是该词项在文档不同的域field（url、title、content）的得分之和；
对于每一个域，词项得分是下列因素的乘积：tf、idf、index-time boost、lengthNorm、queyrNorm

我怎么影响Nutch评分？
评分用过滤插件实现，比如一个评分过滤类：OPIC Scoring。
然而，最简单的影响评分的方式是修改查询时boosts的值（通过修改nutch-site.xml实现）。这些boosts的默认值保存在nutch-default.xml文件中，为
  query.url.boost, 4.0f
  query.anchor.boost, 2.0f
  query.title.boost, 1.5f
  query.host.boost, 2.0f
  query.phrase.boost, 1.0f
由此看出，URL中的词项有着最高的权重，锚文本、标题、主机、短语依次降低。

 

译自Nutch维基

***************************************************************************************

 

Lucene的文档得分计算

在Lucene的Similarity类中，详见文档Lucene Similarity Javadoc .

文档的得分是在用户进行检索时实时计算出来的。

Lucene的打分公式：



在推导之前，先逐个介绍每部分的意义：

• q： 查询
• d： 文档
• t： Term，一个查询包含1个或多个词项，这里的Term是指包含域信息的Term，也即title:hello和content:hello是不同的Term 
• coord(q,d)：一次搜索可能包含多个词项，而一篇文档中也可能包含多个搜索词。此项表示，当一篇文档中包含的搜索词越多，则此文档则打分越高。 

• queryNorm(q)：计算每个查询条目的方差和，此值并不影响排序，而仅仅使得不同的query之间的分数可以比较。其公式如下： 

• tf(t in d)：Term t在文档d中出现的词频 
• idf(t)：Term t在几篇文档中出现过 
• norm(t, d)：标准化因子，它包括三个参数： 

• Document boost：此值越大，说明此文档越重要。 
• Field boost：此域越大，说明此域越重要。 
• lengthNorm(field) = (1.0 / Math.sqrt(numTerms))：一个域中包含的Term总数越多，也即文档越长，此值越小，文档越短，此值越大。 

 

  

各类Boost值

• t.getBoost()：查询语句中每个词的权重，可以在查询中设定某个词更加重要，common^4 hello 
• d.getBoost()：文档权重，在索引阶段写入nrm文件，表明某些文档比其他文档更重要。   （PageRank值设置？）
• f.getBoost()：域的权重，在索引阶段写入nrm文件，表明某些域比其他的域更重要。 

以上在Lucene的文档中已经详细提到，并在很多文章中也被阐述过，如何调整上面的各部分，以影响文档的打分，请参考有关Lucene的问题(4):影响Lucene对文档打分的四种方式一文。

Lucene评分机制的数学推导

*********************************************************************************

 

 

通过Searcher.explain(Query query, int doc)方法可以查看某个文档的得分的具体构成。

在Lucene中score简单说是由 tf * idf * boost * lengthNorm计算得出的。

tf：是查询的词在文档中出现的次数的平方根
idf：表示反转文档频率，观察了一下所有的文档都一样，所以那就没什么用处，不会起什么决定作用。
boost：激励因子，可以通过setBoost方法设置，需要说明的通过field和doc都可以设置，所设置的值会同时起作用
lengthNorm：是由搜索的field的长度决定了，越长文档的分值越低。

所以我们编程能够控制score的就是设置boost值。

还有个问题，为什么一次查询后最大的分值总是1.0呢？
因为Lucene会把计算后，最大分值超过1.0的分值作为分母，其他的文档的分值都除以这个最大值，计算出最终的得分。

 

Lucene的评分(score)机制的简单解释

*********************************************************************************

文档的得分是在用户进行检索时实时计算出来的，与查询相关。

Lucene 用于计算某个关键字在对应于某文档的得分公式：

     

初始化 Document 后，使用了 Document 的 setBoost 方法来改变一下文档的 boost 因子。根据文档 Lucene评分机制的数学推导 中norm(t,d)的计算公式可知，最终的得分将会乘以这个因子。

 

Lucene评分算法

*********************************************************************************

参考资料：

Nutch维基

Lucene评分机制的数学推导    该文档还有对向量空间模型的介绍，各个公式的推导很不错

Lucene的评分(score)机制的简单解释 有个程序例子， Searcher.explain(Query query, int doc)方法输出得分计算过程

Lucene评分算法 有个程序例子，利用setBoost方法，改变boost值

Lucene Similarity Javadoc 官方相似度计算公式的介绍